匹配正文：…p-K相关性大模型最终答案生成需具备长上下文理解和指令遵循能力典型架构演进 Naive RAG（基础版） Query → 向量检索 → 直接拼接Prompt → LLM生成问题：检索质量差、上下文冗长、生成不可控 Advanced RAG（生产常用） Query → 路由判断 → 多路检索(向量+关键词+图谱) → Rerank精排 → 上下文压缩/摘要 → LLM生成增强点：查询改写、混合检索、检索结果过滤、引用溯源落地关键挑战检索精度：Embedding语…

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 字节

专业领域RAG数据与检索优化？

匹配正文：…余：同一内容生成256/512/1024三种chunk，适配不同查询深度二、检索优化层多路召回召回通道适用场景实现方式向量检索语义相关领域微调Embedding + HNSW索引关键词检索精确匹配 BM25 + 领域同义词扩展结构化检索条件过滤元数据标签（时间、版本、文档类型）重排序与精排交叉编码器做精排，领域数据微调（如bge-reranker）引入用户反馈信号（点击、停留时长）做在线学习三、生成改进层上下文工程动态窗口：根据问题复杂度…

#字节#领域RAG架构#RAG 系统架构

面试题·检索· 字节

RAG 架构组件与失败场景

匹配正文：…文回答，不确定则拒绝" 后处理：答案溯源（标注引用来源）、幻觉检测、流式输出完整数据流用户Query → 查询理解/重写 → 向量检索(Top-K) → Rerank精排 → 上下文拼接 → LLM生成 → 带引用的答案关键优化点环节典型问题解决方案分块语义割裂递归分块、语义分块（基于Embedding变化点）检索长尾Query失效查询扩展、多向量表示（ColBERT）生成上下文淹没压缩摘要、选择性注入相关片段

希望老师帮你把学习与项目串起来？

了解 AI 全栈 1v1 陪跑营的项目安排、导师答疑与简历面试辅导。

查看课程安排 →咨询学习安排

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

#字节#RAG组件协同#RAG 系统架构

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配正文：…在业务数据上微调Embedding模型多向量表征：一个文档生成多个向量（摘要、关键词、详细内容）稀疏-稠密混合：结合BM25和向量检索的优势 3. 向量检索核心问题：召回率和延迟的权衡优化策略：索引优化：HNSW参数调优（ef_construction/ef_search），IVF-PQ量化降维多路召回：向量检索 + 关键词检索 + 知识图谱并行召回查询扩展：用LLM生成同义查询，提升覆盖度 4. 重排序（Rerank）核心问题：粗排结果精化优化策略：交叉…

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配正文：…ieval）相似度计算：余弦相似度或点积，召回Top-K候选重排序优化：Cross-Encoder精排，提升相关性混合检索：向量检索 + 关键词BM25，覆盖语义和字面匹配 3. 生成层（Generation）上下文组装：检索结果 + 用户Query拼接成Prompt 大模型生成：基于锚定的事实进行回答工作流程用户Query → Embedding编码 → 向量库检索Top-K → 重排序筛选 → Prompt组装（系统指令+检索上下文+Query） → LLM生…

#京东#幻觉抑制#RAG 技术原理

面试题·检索· 字节

RAG 架构：检索到生成全链路

匹配正文：答案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索生成流程（查询改写、向量检索、重排序、上下文拼接、LLM生成）关键设计决策（分块策略、检索top-k数量、上下文长度控制）系统优化点（混合检索、缓存机制、多路召回）一、整体架构：离线+在线双链路 ┌─────────────────┐ ┌─────────────────┐ │ 离线知识库构建 │ │ 在线检索生成 │ │ (Index Pipeline)│ │ (Query Pipeline)│…

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 小红书

RAG 局限性怎么破?

匹配正文：…更新滞后，新知识无法即时生效结构化缺失表格、图谱等非文本知识利用不足二、改进思路 1. 检索层优化混合检索：BM25 + 向量检索 + 稀疏编码（如SPLADE）互补查询改写：HyDE（假设文档嵌入）、Query2Doc扩展语义重排序精排：Cross-encoder精筛Top-K，过滤噪声 2. 生成层优化上下文压缩：RAG-Fusion多查询聚合、LongLLMLingua关键句提取引用生成：训练模型输出[source_id]，实现可验证回答 Self-RA…

#小红书#RAG局限性#RAG 局限性

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配正文：…s、Elasticsearch），可搭配稀疏索引（BM25）做混合检索查询阶段（在线）用户Query → 查询改写（可选）→ 向量检索（Top-K）→ 重排序（可选）→ 上下文拼接 → LLM生成关键组件详解组件作用典型选择 Embedding模型语义编码 BGE-large、GTE、E5 向量数据库近似最近邻搜索 Milvus、Weaviate、pgvector 检索策略提升召回质量稠密+稀疏混合、多路召回重排序模型精排优化 Cross-Encode…

#字节#RAG系统实现#RAG 实现

面试题·检索· 商汤科技

RAG 两阶段架构：模块与数据流

匹配正文：…线检索生成（Retrieval & Generation）数据流转链路：用户Query → Query理解（改写/扩展） → 向量检索（Top-K召回） → 重排序（Rerank精排） → 上下文融合（Prompt组装） → LLM生成 → 返回结果核心模块：检索召回：基于向量相似度（cosine/IP）快速筛选候选，可用倒排索引混合召回重排序：用Cross-Encoder（如bge-reranker）精排，弥补双塔模型语义鸿沟上下文融合：将检索文档按相关性排序，…

#商汤科技#两阶段文档处理#RAG 系统架构

面试题·检索· 美团

RAG 架构怎么搭?

匹配正文：…csearch，构建HNSW索引加速检索 2. 检索阶段（在线）查询理解：可选的Query改写（HyDE、子查询扩展）提升召回向量检索：Top-K近似最近邻搜索，召回候选文档重排序（Rerank）：Cross-Encoder精排，过滤低相关结果 3. 生成阶段上下文组装：按相关性排序，拼接检索文档为上下文 Prompt设计：明确区分"已知信息"和"用户问题"，约束模型基于检索内容回答生成控制：设置temperature、限制max_tokens，必要时加引用标注检…

#美团#检索器生成器协同#RAG 架构

面试题·检索· 美团

RAG 系统核心组件怎么搭?

匹配正文：…询集上比较证据完整性与成本。所谓语义或 Agentic 分块也要经过同一评测，不能因为使用 LLM 就默认更好。二、检索器使用向量检索、BM25、结构化过滤或多路召回生成候选。对不同分数做校准、RRF 融合或独立重排，避免直接相加不可比的原始分数。用 Cross-Encoder 或领域 Reranker 对候选精排，并保留召回器、索引和模型版本。查询改写、HyDE 和子查询分解只在离线与端到端评测证明有效时启用，因为它们也可能引入偏移。三、生成器集成候选去重、裁…

#美团#RAG工程实现#RAG 系统实现

面试题·检索· OPPO

Context vs Prompt Engineering 区别?

匹配正文：…织核心问题 "怎么问" "给什么" Context Engineering 的三层方法检索层（Retrieval）多路召回：向量检索 + 关键词 + 知识图谱查询扩展：HyDE、子查询分解重排序层（Reranking）相关性打分：Cross-encoder精排多样性控制：MMR算法避免冗余压缩层（Compression）上下文压缩：LLMLingua、选择性上下文结构化组织：树状摘要、时间线梳理协同关系用户问题 → Context Engineerin…

#OPPO#Prompt工程#Context Engineering

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配正文：…M生成（检索内容通过Attention与Query交互）关键优化策略查询改写：用LLM扩展同义问法，解决语义Gap 多路召回：向量检索 + 关键词检索 + 图谱检索并行引用溯源：要求模型输出引用标记，便于事实核查 Naive vs Advanced RAG Naive：直接检索→拼接→生成，容易噪声干扰 Advanced：加入重排序、查询分解、迭代检索（如Self-RAG），显著提升准确率

#美团#RAG架构#RAG 系统架构

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配正文：…码等特殊内容需单独处理，不能粗暴切分 Embedding与召回领域数据务必微调embedding，通用模型域外效果差多路召回：向量检索 + 关键词（BM25）+ 知识图谱重排序（Rerank）是性价比最高的优化，Cross-Encoder比Bi-Encoder准但慢常见陷阱只测Top-1命中率，忽略MRR和召回率向量维度高≠效果好，768/1024够用，关注训练数据质量二、上下文处理窗口管理检索结果去重：MMR算法或语义去重避免重复段落相关性过滤：设阈值剔…

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·检索· 字节

RAG 为何需要重排序?

匹配正文：…型具备深层语义理解和上下文感知能力生成阶段需要综合多维度信息做最终决策核心原因：向量相似度存在本质局限 1. 相似度≠相关性向量检索基于Embedding空间距离，只能捕捉浅层语义相似问题："如何防止过拟合" 与文档："过拟合的危害" 向量相近，但可能无法直接回答问题用户真实意图需要深层理解，Embedding模型难以完全把握 2. Embedding模型的能力边界训练目标限制：对比学习优化的是"语义相近"，而非"任务有用" 领域适配问题：通用Embedding…

#字节#向量召回与重排#RAG 重排序

面试题·检索· 安克科技

向量数据库 vs 传统数据库怎么选？

匹配正文：…>100" 索引结构 HNSW、IVF、PQ等近似索引 B+树、哈希、倒排精度/召回近似结果，存在漏召精确结果扩展性高维向量检索优化事务一致性保障关键洞察：两者不是替代关系，是互补关系。混合存储架构实践分层设计：检索层：向量库（Milvus/Pinecone/Elasticsearch）→ 语义召回Top-K 过滤层：关系型数据库（MySQL/PostgreSQL）→ 元数据精确过滤重排层：Cross-encoder/BGE-reranker → 精排 …

#安克科技#混合知识库存储#向量数据库

面试题·检索· 阿里

RAG检索器与索引结构怎么选？

匹配正文：…，如ColBERT、BGE-Reranker 迭代检索：根据中间结果动态调整query（IRCOT）元数据过滤：先结构化过滤，再向量检索，减少搜索空间一句话总结：召回链路优化 = 多路召回扩覆盖 + 索引结构保效率 + 查询重写对齐语义 + 重排序保精准。学习建议建议系统学习该知识点

#阿里云#查询重写#RAG 召回优化

面试题·检索· 字节

召回模型怎么搭建?

匹配正文：整体架构：双塔模型（DSSM）推荐召回的核心是向量检索，主流方案是双塔结构：User塔和Item塔分别编码，点积计算相似度，线上通过ANN快速检索。关键环节设计 1. 特征工程塔核心特征设计要点 User塔用户ID、画像标签、历史行为序列行为序列用Pooling或Transformer压缩，避免长序列直接输入 Item塔物品ID、类目、标签、文本/视觉内容内容特征需预训练（如BERT、CLIP），保持与User塔维度一致关键权衡：ID特征记忆性强但泛化差，…

#Tiktok#负采样与向量索引#召回模型搭建

面试题·检索· 美团

稀疏稠密与混合检索

匹配正文：…配语义改写/口语化查询 ❌ 字面不匹配 ✅ 语义捕获长尾低频词 ✅ 稳定 ❌ 学习不充分实际做法：并行召回：BM25 + 向量检索各取Top-K 融合排序：线性加权 score = α·BM25_score + β·dense_score，或训练 LTR 模型两阶段：混合召回 → Cross-Encoder 精排美团这类业务场景（POI搜索、外卖Query）尤其需要混合策略——用户既搜"麦当劳"（精确品牌）也搜"好吃的汉堡"（语义意图），单一检索无法兼顾。学习建…

#美团#稀疏稠密检索#稀疏稠密与混合检索

面试题·检索· 美团

BM25 公式与 TF-IDF 对比

匹配正文：…短文档：技术文档vs短回答都能合理竞争参数可解释调优：k_1/b可根据领域数据优化（如新闻vs论文库）在RAG中，BM25常与向量检索混合使用（如Elasticsearch + 向量DB），利用其精确匹配优势弥补语义检索的模糊性问题。学习建议建议系统学习该知识点

#美团#BM25词频饱和#BM25 公式与 TF-IDF 对比

面试题·检索· 美团

BM25 参数 k1/b 调优

匹配正文：…释性强：每个词的贡献清晰可见，便于调试 RAG场景价值精确匹配兜底：处理专有名词、ID、代码片段等需精确匹配的场景混合检索：与向量检索互补（BM25抓关键词，向量抓语义）计算高效：倒排索引，毫秒级响应，适合大规模召回学习建议建议系统学习该知识点

#美团#BM25长度归一化#BM25 参数 k1/b 调优

面试题·检索· 高德

BM25原理、应用场景及与TF-IDF区别

匹配正文：…对长文档更友好、有非线性饱和）了解BM25在RAG中的典型应用场景（粗排、混合检索）知道BM25的局限性（语义理解缺失，需配合向量检索）核心思想 BM25（Best Match 25）是基于概率检索框架的改进算法，核心洞察：词频贡献存在饱和效应——一个词出现10次和100次的区分度，远不如出现1次和10次。同时引入文档长度归一化，解决长文档天然词频高的问题。数学公式单查询词得分： \text{score}(D,Q) = \sum_{i=1}^{n} \text{ID…

#高德#BM25评分公式#BM25 算法原理

面试题·检索· 百度

检索失败时 RAG 怎么兜底?

匹配正文：…：用LLM生成假设文档，再用该文档embedding检索子问题拆分：复杂问题拆为多个子查询分别检索 3. 检索侧增强多路召回：向量检索 + 关键词BM25 + 知识图谱，一路失败用其他路补充降维检索：降低相似度阈值，扩大召回范围，让LLM做重排序过滤 4. 模型侧兜底显式标识：Prompt中标注"未检索到相关知识"，让模型基于自身知识谨慎回答，并提示用户核实拒绝回答：高风险场景直接返回"知识库未覆盖该问题"，避免幻觉 5. 用户侧闭环记录失败Query，触发离线知…

#百度#小鹏#美团

面试题·检索· 百度

向量召回原理与实现?

匹配正文：答案要点向量嵌入将文本/数据映射到语义空间相似度计算常用余弦相似度或内积 ANN索引（HNSW、IVF）解决高维向量检索效率问题大规模系统采用分片、量化、缓存等工程优化 RAG中需平衡召回率与延迟向量召回核心流程 1. 向量嵌入（Embedding）用预训练模型（BERT、Sentence-BERT、OpenAI Embedding等）将文本编码为稠密向量关键：语义相似的文本在向量空间中距离相近维度通常 256-1536 维，需权衡表达能力与存储成本 2. 相似…

#百度#向量召回#向量召回原理